BAB 2 LANDASAN TEORI 2.1
Data Warehouse 2.1.1
Pengertian Data Warehouse Data Warehouse merupakan sebuah gudang data yang berisi data dalam jumlah besar dan digunakan untuk proses analisa dan pembuatan laporan yang dibutuhkan perusahaan. Hal ini diperkuat oleh teori dari Han Jiawei (2011:p143) yang mengatakan bahwa data warehouse adalah tempat penyimpanan informasi yang dikumpulkan dari berbagai sumber, disimpan dalam skema yang terpadu dan biasanya berada dalam suatu lokasi / situs. Menurut W.H. Inmon dan Richard D.H., data warehouse adalah koleksi data yang mempunyai karakteristik berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management.
2.1.2
Karakteristik Data Warehouse Berdasarkan definisi yang dikemukakan Han Jiawei (2011:p144) tentang data warehouse, maka data warehouse mempunyai empat buah karakteristik yaitu : 1.
Subject Oriented Data warehouse diorganisasikan ke dalam banyak subject yang utama seperti customer, product, dan sales. Data warehouse tidak berkosentrasi pada kegiatan operasional sehari-hari dan 10
11
proses transaksi pada suatu organisasi, data warehouse fokus terhadap modeling dan analisis data untuk pengambilan keputusan, oleh karena itu, data warehouse menghasilkan pandangan sederhana dan ringkasan terhadap subject tertentu dan mengabaikan data yang tidak relevant terhadap proses pendukung keputusan. 2.
Integrated Data
Warehouse
biasanya
dibangun
dengan
mengintegrasikan sumber data yang berbeda-beda, seperti relational database, flat files , dan online transactional. Teknik data cleaning dan data integration digunakan untuk memastikan konsistensi dalam konvesi penamaan, struktur pengkodean, ukuran atribut, dan sebagainya. 3.
Non-volatile Data warehouse secara fisik memisahkan pengumpulan data dari aplikasi data yang ditemukan dalam operational environment. Di dalam pemisahan data warehouse tidak memerlukan proses transaksi, recovery, dan concurency control mechanism. Biasanya hanya membutuhkan dua operasi dalam mengakses data, initial loading data dan access of data.
4.
Time variant Data
disimpan
untuk
memberikan
informasi
dari
perspektif history (misalnya, 5-10 tahun terakhir). Setiap struktur
12
kunci dalam data warehouse berisi baik secara implisit maupun eksplisit elemen waktu.
2.1.3
Arsitektur Data Warehouse Data warehouse mengandung tiga tingkatan dalam arsitekural, seperti digambarkan pada gambar 2.1.3 :
Gambar 2.1.3 Struktur Data Warehouse
13
1.
Data warehouse server Merupakan tingkatan paling bawah pada arsitektural data warehouse. Data warehouse server merupakan relational database system. Back-end tools dan utilities digunakaan untuk menghasilkan data ke tingkat bawah dari operasional database atau sumber eksternal lainnya (misalnya, pelanggan informasi profil yang disediakan oleh konsultan eksternal). Tools dan utilities
menghasilkan
data
extraction,
cleaning,
dan
transformation (misalnya, untuk menggabungkan data yang sama dari sumber yang berbeda ke dalam format yang terpadu), seperti fungsi load dan refresh untuk update ke dalam data warehouse. Data yang diambil menggunakan antar-muka program aplikasi yang dikenal sebagai gateway. Sebuah gateway didukung oleh DBMS yang mendasari dan memungkinan program klien untuk menghasilkan kode SQL yang akan dieksekusi di server. Contoh gateway meliputi ODBC (Open Database Connection) dan OLEDB (Object Linking and Embeedding Database) dari Microsoft dan JDBC (Java Database Connection). Tingkatan ini berisi repositori metadata, yang menyimpan informasi tentang data warehouse dan isinya.
14
2.
OLAP Server Merupakan tingkatan menengah dalam arsitektural data warehouse. Biasanya diimplementasikan baik menggunakan model relational OLAP (ROLAP) (yaitu, perpanjangan dari relational DBMS yang memetakan operasi pada data multidimensi pada operasi relasional standar), atau model multidimensional OLAP (MOLAP) (yaitu, server yang mempunyai tugas yang khusus untuk mengarahkan implementasi multidimensi data dan operasi).
3.
Front End Client Layer Merupakan
tingakatan
atas
pada
arsitektural
data
warehouse. Berisikan tool query, alat analisis, dan tools data mining (Contoh, trend analysis, prediction dan sebagainya).
2.2
Data Mining 2.2.1
Pengertian Data Mining Data Mining adalah proses menganalisa data yang berjumlah besar untuk menemukan suatu pola yang akan digunakan untuk pengambilan keputusan. Hal ini diperkuat oleh teori dari Han Jiawei (2011:p36) yang mengatakan data mining adalah proses menemukan pola yang menarik dan pengetahuan dari data yang berjumlah besar.
15
Karakteristik Data Mining menurut Turban (2007:p230): a.
Data seringnya terpendam dalam dalam database yang sangat besar yang kadang-kadang datanya sudah bertahun-tahun.
b.
Lingkungan data mining biasanya berupa arsitektur client-server atau arsitektur system informasi berbasis web.
c.
Tool baru yang canggih, termasuk tool visualisasi tambahan, membantu mennghilangkan lapisan informasi yang terpendam dalam file-file yang berhubungan atau record-record arsip public.
d.
Pemilik biasanya seorang end user, didukung dengan data drill dan tool penguasaan query yang lain untuk
menanyakan
pertanyaan dan mendapatkan jawaban secepatnya, dengan sedikit atau tidak ada kemampuan pemrograman. e.
Tool data mining dengan kesediaannya dikombinasikan dengan spreadsheet dan tool software pengembangan yang lainnya.
f.
Karena besarnya jumlah data dan usaha pencarian yang besarbesaran, kadang-kadang diperlukan penggunaan proses paralel untuk data mining.
Kelebihan Data Mining sebagai alat analisis : a.
Data mining mampu menangani data dalam jumlah besar dan kompleks
b.
Data mining dapat menangani data dengan berbagai macam tipe atribut.
16
c.
Data mining mampu mencari dan mengolah data secara semiotomatis. Disebut semi-otomatis karena dalam beberapa teknik data mining, diperlukan parameter yang harus di-input oleh user secara manual
d.
Data mining dapat menggunakan pengalaman ataupun kesalahan terdahulu untuk meningkatkan kualitas dan hasil analisa sehingga mendapat hasil yang terbaik
Kekurangan data mining sebagai alat analisis : a.
Terkadang ada data yang lebih mudah diselesaikan dengan statistic manual dibandingkan dengan menggunakan teknik data mining.
b.
Data mining tidak dapat menemukan knowledge secara instant.
c.
Algoritma data mining cukup kompleks
d.
Hasil dari data mining tidak dapat langsung digunakan, harus dianalisa dan diinterpretasi terlebih dahulu.
2.2.2
Tahap penemuan Knowledge pada Data Mining Langkah menemukan pengetahuan pada data mining antara lain : 1. Data Cleaning Memperbaiki data yang salah, menghapus data yang rusak dan tidak konsisten 2. Data Integration
17
Mengintegrasi data dari berbagai macam sumber dan menyatukan agar mudah dipilih dan diproses nantinya 3. Data Selection Memilih data yang dibutuhkan pada database dan digunakan untuk proses analisis 4. Data Transformation Mengubah dan menggabungkan data dari berbagai macam bentuk menjadi satu bentuk yang sama agar mudah diproses. 5. Data Mining Tahap untuk menerapkan metode dalam proses modeling data yang akan digunakan pada proses Data mining. 6. Pattern Evaluation Melakukan evaluasi akan patern yang telah diproses, aspek-aspek yang dievaluasi adalah hasil output yang didapat setelah proses data mining dilakukan 7. Knowledge Presentation Melakukan penyajian hasil dari proses data mining yang sudah diproses.
18
Gambar 2.1 Proses Knowledge Discovery Sumber : Jiawei, H. (2011:p35). Data Mining : Concepts and Techniques.
2.2.3
Teknik – Teknik Data Mining Menurut Han Jiawei (2011) ada beberapa teknik data mining yang lazim digunakan, diantaranya :
2.2.3.1.
Association Rule Mining / Frequent Pattern / Market
Basket Analsysis Frequent patterns adalah pola yang sering muncul dalam kumpulan data. Misalnya, satu set item seperti susu
19
dan roti yang sering muncul bersama-sama dalam satu set data transaksai
adalah
frequent
item set.
Sebuah
subsequence, seperti membeli pertama kali PC, lalu kamera digital dan kemudian memory card, jika sequence tersebut sering terjadi dalam history pada database belanja, maka pola tersebut adalah frequent pattern. Menemukan frequent pattern
adalah peranan penting
dalam mining assocications, correlations, dan hubungan menarik lainnya antara data. Selain itu, membantu dalam klasifikasi data, clustering, dan lainnya. Frequent itemset mining memungkinan untuk menemukan asosiasi dan korelasi dari banyak item dari banyak data transaksi. Dengan banyaknya data yang terus terkumpul, banyak industri yang mulai tertarik pada pola mining tersebut dari database mereka. Penemuan hubungan korelasi yang menarik antara jumlah besar catatatn transaksi bisnis dapat membantu dalam bisnis seperti dalam proses pengambilan keputusan untuk desain katalog, lintas pemasaran, dan analisis tingkah laku pelanggan. Association rule mining yang biasanya disebut juga market basket anlysis adalah teknik mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Contoh dari aturan asosiatif dari analisa pembelian di suatu pasar swalayan adalah bisa
20
diketahui berapa besar kemungkinan seorang pelanggan membeli
roti
bersamaan
dengan
susu.
Dengan
pengetahuan tersebut, pemilik pasar swalayan dapat mengatur
penempatan
barangnya
atau
merancang
kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Penting tidaknya suatu aturan asosiatif dapat diketahui dengan dua parameter, support yaitu persentase kombinasi item tersebut dalam database dan confidence yaitu kuatnya hubungan antar item dalam aturan asosiatif.
2.2.3.2
Classification Classification adalah satu bentuk analisis data yang menghasilkan model untuk mendeskripsikan kelas data yang penting. Klasifikasi memprediksi kategori (diskrit, unorderd) ke dalam label kelas. Klasifikasi merupakan proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu sendiri bisa berupa aturan “jika-maka”, berupa decision tree , formula matematis atau neural network. Sebagai contoh, kita dapat membangun model klasifikasi untuk mengkategorikan
21
aplikasi pinjaman bank, aman atau beresiko. Analaisa tersebut dapat membantu memberikan pemahaman yang lebih baik dari data pada umumnya. Klasifikasi memiliki berbagai aplikasi yaitu deteksi penipuan, pemasaran target, prediksi kinerja, manufaktur, dan diagnosa medis. 2.2.3.2.1
Decision tree Decision Tree adalah salah satu metode classification yang paling populer karena mudah untuk diinterpretasi oleh manusia. Decision tree
menggunakan
model seperti struktur pohon.
Gambar 2.2 Decision tree Sumber : Jiawei, H. (2011:p334). Data Mining : Concepts and Techniques. Pembangunan decision tree tidak memerlukan pengaturan domain knowledge atau parameter, karena itu cocok untuk
22
eksplorasi penemuan pengetahuan. Pohon keputusan
dapat
menangani
data
multidimensi. Perwakilan dari pengetahuan yang
diproleh
memudahkan
dalam untuk
bentuk dipelajarai
pohon dan
dipahami. Decision tree memiliki akurasi yang
baik.
Namun,
keberhasilan
penggunaannya tergantung pada data yang ada. Aplikasi klasifikasi decision tree telah digunakan dalam banyak area seperti kedokteran,
manufaktur
dan
produksi,
analisis keuangan, astronomi, dan biologi molekuler.
Untuk
menentukan
proses
pembangunan decision tree diperlukan adanya attribute selection measure, yaitu suatu
metode
untuk
memilih
kriteria
pemisahan yang terbaik yang memsiahkan partisi data yang diberikan, kelas-label ke dalam kelas individu. Attribute selection measure
memberikan
peringkat
untuk
setiap atribut. Jika atribut yang terpisah adalah continous-valued atau jika kita dibatasi kedalam binary trees, maka subset
23
yang membelah juga harus ditentukan sebagai bagian dari kriteria pemisahan. Node pohon diciptakan untuk partisi yang dilabeli dengan kriteria pembagian, cabang yang tumbuh untuk setiap hasil dari kinerja. Tiga selection measures attribute yang populer adalah information gain, gain ratio, dan gini index. 2.2.3.3.
Clustering Clustering
adalah
proses
pengelompokan
kumpulan data menjadi beberapa kelompok sehingga objek di dalam satu kelompok memiliki banyak kesamaan dan memiliki banyak perbedaan dengan objek di kelompok lain. Perbedaan dan persamaannya biasanya berdasarkan nilai atribut dari objek tersebut dan dapat juga berupa perhitungan jarak. Clustering sendiri juga disebut Unsupervised classification, karena clustering lebih bersifat untuk dipelajari dengan diperhatikan. Cluster analysis merupakan proses partisi satu set objek data ke dalam himpunan bagian. Setiap himpunan bagian adalah cluster, sehingga objek yang di dalam cluster mirip satu sama dengan lainnya, dan mempunyai perbedaan dengan objek dari cluster yang lain. Partisi tidak dilakukan dengan
24
manual tetapi dengan algoritma clustering. Oleh karena itu, clustering sangat berguna dan bisa menemukan group yang tidak dikenal dalam data. Cluster analysis banyak digunakan dalam berbagai aplikasi seperti business inteligence, image pattern recognition, web search, biology, dan security. Di dalam business inteligence, clustering bisa mengatur banyak customer ke dalam banyak group, contohnya mengelompokan customer ke dalam beberapa cluster yang
kuat.
Clustering
dengan kesamaan karakteristik juga
dikenal
seabgai
data
segmentation karena clustering mempartisi banyak data set ke dalam banyak group berdasarkan kesamaannya. Clustering juga bisa sebagai outlier detection, di mana outliers bisa menjadi menarik daripada kasus yang biasa. Aplikasinya adalah outlier detection untuk mendeteksi card fraud dan memonitori aktifitas kriminal dalam ecommerce.
Contohnya
adalah
pengecualian
dalam
transaksi kartu kredit.
2.2.3.3.1
Konsep dasar Clustering Proses clustering akan menghasilkan cluster yang baik apabila: 1. Tingkat kesamaan yang tinggi dalam satu class
25
2. Tingkat kesamaan yang rendah antar class Kesamaan
yang
dimaksud
merupakan
pengukuran secara numeric terhadap dua buah objek. Nilai kesamaan ini akan semakin tinggi bila dua objek yang dibandingkan memiliki kemiripan yang tinggi. Perbedaan kualitas hasil clustering bergantung pada metode yang dipakai. Tipe data pada Clustering : a. Variabel berskala interval b. Variabel biner c. Variabel nominal, ordinal, dan rasio d. Variabel dengan tipe lainnya.
Metode
Clustering
juga
harus
dapat
mengukur kemampuannya dalam usaha untuk menemukan suatu pola tersembunyi pada data yang tersedia. Dalam mengukur nilai kesamaan ini ada beberapa metode yang dapat dipakai. Salah satu
metodenya
adalah
weighted
Euclidean
Distance. Dalam metode ini dua buah point dapat dihitung jaraknya bila diketahui nilai dari masing-
26
masing atribut pada kedua point tersebut, berikut rumusnya :
Keterangan: N = Jumlah record data K= Urutan field data r= 2 µk= Bobot field yang diberikan user
2.2.3.3.2
Requirements for Clustering Syarat untuk melakukan analisa clustering : 1. Scalability Mampu menangani data dalam jumlah yang besar. Karena database yang besar berisi lebih dari jutaan objek bukan hanya ratusan objek, maka dari itu diperlukan algoritma dengan clustering yang scalable. 2. Ability to deal with different types of attributes Banyak algoritma clustering yang hanya dibuat
untuk
menganalisa
data
bersifat
numeric. Namun sekarang ini, aplikasi data mining harus dapat menangani berbagai macam
27
bentuk data seperti biner, data nominal, data ordinal, ataupun campuran. 3. Discovery of clusters with arbitrary shape Banyak menggunakan
algoritma
clustering
yang
metode
Euclidean
atau
Manhattan. Namun hasil dari metode tersebut bukan hanya berbentuk bulat seperti pada contoh. Hasil dapat berbentuk aneh dan tidak sama antara satu dengan yang lain. Maka dari itu diperlukan kemampuan untuk menganalisa cluster dengan bentuk apapun. 4. Requirements
for
domain
knowledge
to
determine input parameters Banyak
algoritma
clustering
yang
mengharuskan pengguna untuk memasukkan parameter tertentu, seperti jumlah cluster. Hasil clustering bergantung pada parameter yang ditentukan. Terkadang parameter sulit untuk menentukan, terutama pada data yang memiliki dimensi tinggi. Hal ini menyulitkan pengguna serta kualitas clustering yang dicapai pun tidak terkontrol.
28
5. Ability to deal with noisy data Pada kenyataannya, data pasti ada yang rusak,
error,
tidak
dimengerti,
ataupun
menghilang. Beberapa algoritma clustering sangat sensitif terhadap data yang rusak, sehingga menyebabkan cluster dengan kualitas rendah. Maka dari itu diperlukan clustering yang mampu menangani data yang rusak. 6. Incremental clustering and insensitivity to input order Data yang dimasukkan dapat menyebabkan cluster menjadi berubah total. Hal ini dapat terrjadi karena tidak sensitifnya algoritma clustering
yang
dipakai.
diperlukan
algoritma
yang
Maka tidak
dari
itu
sensitif
terhadap urutan input data. 7. Capability of clustering high-dimensionality data Sebuah kelompok data dapat berisi banyak dimensi ataupun atribut. Kebanyakan algoritma
29
clustering hanya mampu menangani kelompok data dengan dimensi sedikit. Maka dari itu diperlukan algoritma clustering yang mampu menangani data dengan dimensi berjumlah banyak. 8. Constraint based clustering Pada kenyataannya, membuat clustering tentu saja memiliki beberapa pembatas ataupun syarat tertentu. Hal ini menjadi tugas yang menantang karena diperlukan kemampuan yang tinggi untuk mengelompokkan data dengan kendala dan perilaku tertentu. 9. Interpretability and usability Pengguna tentu saja menginginkan hasil clustering mudah ditafsirkan, dimengerti, dan bermanfaat. Hal ini berarti ditandai
dengan
kemauan
user
beberapa dan
tentu
clustering perlu syarat saja
sesuai hal
itu
mempengaruhi pemilihan metode clustering yang akan digunakan. 2.2.2.3.3
Tipe Clustering Berikut ini merupakan tipe clustering yang umum digunakan, antara lain :
30
1. Partitional Clustering Metode yang paling sederhana dan paling mendasar dari analisis partisi cluster, yang mengatur objek dari suatu himpunan ke dalam beberapa kelompok eksklusif atau cluster. Intinya adalah memisahkan data per kelompok dengan kelompok lain nya.
Gambar 2.3 Partitional Clustering Sumber : Jiawei, H. (2011:p449). Data Mining : Concepts and Techniques.
Metode yang paling sering digunakan dalam partitional clustering adalah metode KMean.
Algoritma
K-mean
mendefinisikan
centroid dari cluster menjadi rata-rata point dari cluster tersebut. Ini hasil dari langkahlangkah dalam melakukan metode K-mean. Langkah melakukan metode k-means :
31
a. Tentukan jumlah cluster yang akan dibuat b. Masukkan elemen yang akan di cluster secara acak ke masing masing cluster c. Hitung centroid (titik tengah) pada setiap cluster d. Ukur jarak antara satu titik ke titik tengah pada masing-masing cluster e. Masukkan titik ke centroid terdekat f. Ulangi sampai cluster benar benar tersusun dengan baik 2. Hierarchical Clustering Pengelompokan data berdasar hierarki nya.
Gambar 2.4 Hierarchical Clustering Sumber :
Jiawei, H. (2011:p456). Data
Mining : Concepts and Techniques
32
Langkah melakukan Hierarchical clustering : 1. Identifikasi item dengan jarak terdekat 2. Gabungkan item itu kedalam satu cluster 3.
Hitung jarak antar cluster
4.
Ulangi
dari
awal
sampai
semua
terhubung 3. Density-Based Metode partitioning dan hierarchial adalah dirancang untuk menemukan spherical-shaped cluster. Metode tersebut memiliki kesulitan untuk
menemukan
cluster
berbentuk
sembarang seperti bentuk “S” dan cluster oval seperti terlihat pada gambar 2.5. Untuk hal tersebut dengan menggunakan metode diatas kemungkinan besar tidak akurat di mana kebisingan atau outlier termasuk dalam cluster. Untuk
menemukan
sembarang,
sebagai
cluster alternatif,
berbentuk kita
dapat
memodelkan cluser kedalam beberapa bagian dalam data space, yang dipisahkan dari bagian yang jarang. Ini adalah strategi utama di balik kepadatan metode berbasis clustering, yang
33
dapat
menemukan
cluster
berbentuk
nonsphercial.
Gambar 2.5 Arbitrary Shape
4.
Grid-Based Metode clustering yang dibahas sejauh ini adalah metode yang mempartisi set dari objek dengan distribusi objek di embedding space. Pendekatan
clustering
grid-based
menggunakan grid multiresolusi struktur data. Ini membagi objek space ke dalam jumlah yang terbatas dari struktur grid di mana operasi untuk clustering dilakukan Keuntungan dari pendekatan ini adalah waktu proses yang cepat, yang biasanya tergantung dari jumlah objek data, namun tergantung pada jumlah sel dalam setiap dimensi dalam quantized space.
34
2.2.3.3.4
Penggunaan Teknik Clustering Clustering
banyak
digunakan
pada
berbagai bidang aplikasi seperti : 1. Business intelligence 2. Image pattern recognition 3. Web search 4.
Biology
5. Security 6. Economy
Contoh
aplikasi
data
mining
yang
menggunakan teknik clustering : a. Business intelligence Clustering
dapat
digunakan
untuk
mengorganisir pelanggan dalam jumlah besar ke dalam kelompok yang memiliki banyak persamaan. Hal ini membantu dalam proses CRM. b. Web Search Clustering digunakan pada saat pencarian menggunakan
keyword.
Karena
sangat
banyaknya jumlah website yang ada, clustering
35
dapat digunakan untuk mengorganisir hasil pencarian ke dalam beberapa kelompok dan menyajikan hasil yang lebih mudah ditelusuri. c. Marketing Untuk mengelompokkan customer yang memiliki ke unikan dan mengembangkan program target marketing terhadap beberapa customer tersebut.
36
2.2.4
Arsitektural Data Mining
Gambar 2.2.3 Arsitektural Data Mining Arsitektur Data Mining memiliki beberapa komponen, sebagai berikut:
37
1. Knowledge base Komponen pengetahuan yang digunakan untuk memandu pencarian atau mengevaluasi pola-pola yang menarik. 2. Data Mining Engine Merupakan hal yang paling penting di dalam data mining system. Merupakan suatu set modul fungsi untuk tugas-tugas seperti karakterisasi, association, dan correlation analysis. 3. Pattern evaluation module Komponen yang mempunyai tugas untuk mengevaluasi dan mengukur ketertarikan dan mengfokuskan pada interaksi modul data mining akan pola-pola yang akan di analisa. 4. User Interface Modul yang mengkomunikasikan user dan data mining system yang memungkinkan user berinteraksi dengan sistem dengan cara menspesifikasi tugas data mining. 2.3
Saham Saham adalah bentuk simbol kepemilikan modal seseorang dalam sebuah perusahaan. Hal ini didukung oleh teori dari Joko Salim (2010:p5) yang menyatakan bahwa saham adalah bentuk penyertaan modal dalam sebuah perusahaan
38
Berikut ini merupakan beberapa jenis saham : 1. Saham biasa (common stocks) Memiliki saham biasa berarti kita memiliki bagian kepemilikan pada perusahaan tersebut. Saham biasa sendiri dibagi menjadi beberapa jenis, diantaranya : a. Blue chips stocks Saham yang diterbitkan oleh perusahaan besar dan terkenal sehingga memperlihatkan kemampuan untuk memperoleh keuntungan b. Growth stocks Saham yang diterbitkan oleh perusahaan yang pertumbuhan penjualan dan pendapatan laba mengalami pertumbuhan yang lebih cepat dibandingkan industry lainnya. c. Emerging growth stocks Saham yang perusahaan yang relatif kecil namun memiliki daya tahan yang kuat meskipun di saat kondisi ekonomi kurang baik atau kurang mendukung. d. Income stocks Saham yang membayar deviden lebih dari total rata-rata pendapatan. e. Cyclical stocks Saham yang tidak terpengaruh oleh kondisi ekonomi.
39
2. Saham preferen (preferred stock) Saham preferen merupakan gabungan dari obligasi dan saham biasa, di mana pemilik saham preferen bisa mendapat penghasilan tetap (seperti pada bunga obligasi), tetapi bisa juga tidak mendapat hasil.
Saham preferen sendiri dibagi menjadi beberapa jenis, diantaranya: a. Convertible preferred stocks Jenis saham preferen yang dapat ditukar menjadi saham biasa dengan perbandingan yang sudah ditentukan b. Callable preferred stocks Saham preferen yang memberikan hak kepada perusahaan yang menerbitkan saham ini untuk membeli kembali saham ini suatu saat dengan nilai tertentu c. Floating rate preferred stocks Saham preferen yang memiliki dividen terikat pada tingkat bunga sekuritas pemerintah. 2.4
Kliring Berdasarkan website www.KPEI.co.id , pengertian kliring adalah proses penentuan hak dan kewajiban yang timbul dari transaksi bursa. Kliring ditentukan dengan 2 cara, yaitu
40
1. Netting Kliring dilakukan setelah user selesai transaksi dalam satu periode, misalnya setiap beberapa jam atau setiap beberapa transaksi. 2. Per transaksi Kliring diadakan setiap Anggota Kliring selesai melakukan transaksi pembelian atau penjualan.
Kliring sendiri dilakukan atas transaksi bursa yang berbentuk Equity, Efek bersifat utang, dan Derivatif. Anggota kliring adalah anggota bursa efek yang memenuhi ketentuan dan persyaratan KPEI untuk mendapatkan layanan jasa Kliring dan Penjaminan Penyelesaian Transaksi Bursa 2.5
Gagal Serah Dana Berdasarkan website www.KPEI.co.id, , pengertian Gagal Serah Dana adalah Tidak dipenuhinya kewajiban serah dana termasuk kewajiban serah efek yang diganti dengan serah uang. Gagal Serah Dana dapat terjadi karena: 1. Pihak penjual tidak memiliki saham sejumlah yang dijual 2. Pihak pembeli tidak memiliki uang sejumlah nilai pembelian yang akan dilakukan Jika terjadi gagal bayar, KPEI menjalankan mekanisme penjaminan sebagai berikut : 1. Suspensi perdagangan Anggota Kliring
41
2. Pencairan fasilitas kredit dari bank pembayaran untuk meng-cover kegagalan 3. Eksekusi collateral Anggota Kliring gagal seperti : a. Minimum cash collateral b. Setara cash (Time deposit, BG (Bilyet Giro), SBI (Sertifikat Bank Indonesia)) c. Non Cash collateral (Saham, obligasi) 4. Eksekusi saham bursa 5. Penggunaan Dana Jaminan Transaksi Bursa 6. Permohonan pengajuan kepailitan anggota kliring yang bersangkutan 2.6
OOAD (Object Oriented Analysis Design) 2.6.1 Definisi OOAD : Menurut (Fatta, 2007) Object Oriented Analysis Design merupakan teknik yang mengintegrasikan data dan proses yang disebut objek Object-Oriented Analysis (OOA) adalah semua jenis objek yang melakukan pekerjaan dalam sistem dan menunjukkan interaksi pengguna apa yang
dibutuhkan untuk menyelesaikan tugas tersebut. Object
diartikan suatu hal dalam sistem computer yang dapat merespon pesan (Satzinger, 2009, p60). Object-Oriented Design (OOD) adalah semua jenis objek yang diperlukan untuk berkomunikasi dengan orang dan perangkat dalam
42
sistem, menunjukkan bagaimana objek berinteraksi untuk menyelesaikan tugas, dan menyempurnakan definisi dari masingmasing jenis objek sehingga dapat diimplementasikan dengan
bahasa
tertentu atau
lingkungan (Satzinger, 2009, p60). Object-Oriented Programming (OOP) menuliskan laporan dalam bahasa pemrograman untuk mendefinisikan apa yang setiap jenis objek ini termasuk pesan bahwa pengirim satu sama lain (Satzinger, 2009, p60).
2.6.2 Unified Modeling Language (UML) Menurut
Satzinger
(2009,
Language(UML) merupakan suatu
p48),
Unified
Modeling
set standar konstruksi model dan
notasi dikembangkan secara khusus untuk pengembangan berorientasi objek Unified Modelling Language (UML) merupakan suatu bahasa pemodelan untuk membuat,
mendokumentasikan, menggambarkan
sistem informasi (Rama & Frederick, 2008)
2.6.3 The Systems Development Life Cycle (SDLC) Menurut Satzinger (2009, p39), Systems Development Life Cycle (SDLC) adalah seluruh proses yang membangun, menyebarkan, menggunakan, dan memperbarui sistem informasi.
43
Sytems
Development
Life
Cycle
(SDLC)
merupakan
pengembangan system dari pertama kali dipelajari dan digunakan hingga sistem tersebut mengalami pembaharuan, peningkatan atau tergantikan dengan sistem yang lebih baik (Morley & Parker, 2010)
2.6.3.1 Tahapan dalam Systems Development Life Cycle (SDLC) Dalam Systems Development Life Cycle (SDLC) terdapat enam tahapan yaitu : Tahap 1 : Project Planning Phase Tahapan ini untuk mengidentifikasi cakupan dari sistem baru, dan memastikan bahwa project tersebut layak menggunakan sistem baru, sumber-sumber data untuk project tersebut dan batasan budget nya. Tahap 2: Analysis Phase Di Tahapan ini akan dilakukan pemahaman terutama terhadap dokumen kebutuhan bisnis secara rinci dan juga persyaratan pengelolaan sistem yang baru. Tahap 3 : Design Phase Untuk merancang sistem solusi berdasarkan persyaratan yang ditetapkan dan keputusan yang dibuat selama analisis. Tahap 4: Implementation Phase
44
Untuk membangun tes dan memasang sebuah sistem yang dapat dipercaya dilengkapi dengan user yang terlatih dan siap untuk
mendapatkan
keuntungan
seperti
yang
diharapkan
sebelumnya dari penggunaan sistem tersebut. Tahap 5 : Support Phase Untuk menjaga sistem agar berjalan secara produktif dari awal dibangun sistem tersebut hinga bertahun-tahun sampai di mana masa hidup sistem tersebut berakhir.
2.6.4
Activity Diagram Menurut
Satzinger (2009, p144),
sebuah
activity diagram
hanyalah sebuah diagram alur kerja yang menggambarkan
berbagai
pengguna kegiatan, orang yang melakukan aktivitas masing-masing, dan aliran sekuensial kegiatan ini atau dapat dikatakan diagram yang menggambarkan alur proses bisnis.
Gambar 2.6.4 Simbol Activity Diagram
45
2.6.5
Use Case Use Case merupakan model fungsional yang
di dalamnya
terdapat actor dan use case itu sendiri, actor disini merupakan orangorang yang menjalankan aktifitasnya dan berhubungan langsung dengan sistem, sedangkan use case itu sendiri berisi pekerjaan yang dilakukan actor yang menggunakan sistem. Berikut merupakan simbol yang digunakan dalam Use Case Diagram :
Gambar 2.6.5 Use Case
46
2.6.6
Event Table Event table adalah sebuah tabel yang meliputi baris dan kolom, yang berisi beberapa komponen yang mewakili peristiwa dan rincian dari peristiwa mereka, masing-masing. Berikut penjelasan komponen dari event table antara lain : a. Event Merupakan katalog use case daftar peristiwa
dalam baris dan
potongan kunci informasi tentang setiap peristiwa dalam kolom. b. Trigger Merupakan sinyal yang memberitahukan sistem bahwa peristiwa telah
terjadi,
suatu
baik kedatangan membutuhkan pengolahan
data atau titik waktu. c. Source Merupakan agen eksternal atau actor yang memasok data ke sistem. d. Response Merupakan output yang dihasilkan oleh sistem, yang menuju ke tujuan. e. Destination Merupakan agen eksternal atau actor yang menerima data dari sistem.
47
Gambar 2.6.6 Event Table
2.6.7
Use Case Description Deskripsi atau penjelasan mengenai Use Case yang berisi nama use case nya, main flow. Di sini dijelaskan tentang bagaimana actor yang menggunakan system yang telah digambarkan di Use Case.
Gambar 2.6.7 Use Case Description
48
2.6.8
System Sequence Diagram (SSD) System Sequence Diagram (SSD) biasanya digunakan dalam hubungannya dengan deskripsi menggunakan kasus untuk membantu dokumen rincian kasus penggunaan tunggal atau skenario dalam kasus penggunaan atau menangkap interaksi antara sistem dan eksternal entity yang direpresentasikan oleh actor.
Gambar 2.6.4 System Sequence Diagram
